[发明专利]神经网络训练方法、图像处理方法、装置及电子设备

权利要求书

1.一种神经网络训练方法，其特征在于，包括：

生成目标维度的域变量，并基于所述域变量对接收到的源域图像进行数据扩增，得到所述处理好的源域图像；所述域变量用于指示所述目标维度的呈现程度；

将所述处理好的所述源域图像和目标域图像输入到所述神经网络中的域无关特征提取器进行特征提取，分别得到所述处理好的源域图像的域变量无关特征向量以及所述目标域图像的域无关特征向量；

将所述域变量无关特征向量以及所述域无关特征向量输入至域辨别器以及所述神经网络中的目标任务网络；基于所述域辨别器输出的判别结果对所述域辨别器以及所述域无关特征提取器进行参数调整，并基于所述目标任务网络输出的预测结果以及所述源域图像的标注结果对所述目标任务网络以及所述域无关特征提取器进行参数调整，得到训练好的神经网络。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述域变量生成监督信号；

将所述处理好的源域图像输入至域相关特征提取器进行特征提取，得到所述处理好的源域图像的域变量相关特征向量；

将所述域变量相关特征向量输入至自对抗正则化器进行特征下采样处理，得第一预测概率向量；

基于所述监督信号以及所述第一预测概率向量，对所述自对抗正则化器以及所述域无关特征提取器进行参数调整，直至所述自对抗正则化器能够对不同的域变量进行辨别。

3.根据权利要求2所述的方法，其特征在于，所述基于所述监督信号以及所述第一预测概率向量，对所述自对抗正则化器以及所述域无关特征提取器进行参数调整，包括：

基于域相关损失函数、所述监督信号以及所述第一预测概率向量，对所述自对抗正则化器以及所述域无关特征提取器进行参数调整；其中，所述域相关损失函数为交叉熵损失函数。

4.根据权利要2或3所述的方法，其特征在于，所述方法还包括：

将所述域变量无关特征向量输入至所述自对抗正则化器进行特征下采样处理，得到第二预测概率向量；

基于参照信号以及所述第二预测概率向量对所述自对抗正则化器以及所述域无关特征提取器进行参数调整，直至所述自对抗正则化器能够最大化所述域变量相关特征向量与所述域变量无关特征向量之间的差异。

5.根据权利要求4所述的方法，其特征在于，所述参照信号为均匀分布向量。

6.根据权利要求4或5所述的方法，其特征在于，所述基于参照信号以及所述第二预测概率向量对所述自对抗正则化器以及所述域无关特征提取器进行参数调整，包括：

基于域无关损失函数、参照信号以及所述第二预测概率向量对所述自对抗正则化器以及所述域无关特征提取器进行参数调整；所述域无关损失函数为相对熵损失函数。

7.根据权利要求1-6任一所述的方法，其特征在于，所述目标维度包括：天气、季节、样式、年龄、风格或者视场角。

8.一种图像处理方法，其特征在于，包括：

获取待处理图像；

将获取的所述待处理图像输入至采用权利要求1至7任一项所述的神经网络训练方法训练完成的神经网络，得到语义分割结果或者目标检测结果。

9.一种智能设备控制方法，其特征在于，包括：

获取智能设备在行驶过程中采集的道路图像；

将获取的所述道路图像输入至采用权利要求1至7任一项所述的神经网络训练方法训练完成的神经网络，得到所述道路图像的语义分割结果或者目标检测结果；

基于所述道路图像的语义分割结果或者所述目标检测结果，控制所述智能设备行使。